स्टैनफोर्ड ने क्वांटम स्पिन ग्लास को एसोसिएटिव मेमोरी में कैसे बदला

एसोसिएटिव मेमोरी का काम अधूरे या खराब हो चुके संकेत से पूरा संग्रहित पैटर्न पहचानना है—जैसे धुंधली तस्वीर से किसी परिचित चेहरे को पहचान लेना। स्टैनफोर्ड के भौतिक विज्ञानी बेंजामिन लेव के समूह ने अल्ट्राकोल्ड परमाणुओं और प्रकाश के एक ड्रिवन, ऊर्जा-हानि वाले नेटवर्क में ऐसा व्यवहार दिखाया। खास बात यह है कि उन्होंने स्पिन ग्लास की उस जटिलता को ही मेमोरी संसाधन बनाया, जो पारंपरिक हॉपफील्ड नेटवर्क में आम तौर पर रिकॉल को बिगाड़ती है। 16-स्पिन प्रणाली में टीम ने पारंपरिक हॉपफील्ड सीमा से सात गुना तक भंडारण क्षमता रिपोर्ट की। 14

हार्डवेयर: परमाणु बने न्यूरॉन, कैविटी मोड बने सिनैप्स

प्रयोग में बोस-कंडेंस्ड परमाणु गैसों को एक मल्टीमोड, नियर-कन्फोकल ऑप्टिकल कैविटी में रखा गया। हर फंसा हुआ परमाणु-समूह एक प्रभावी स्पिन—या नेटवर्क नोड—की तरह काम करता है। कैविटी प्रकाश के कई मोड संभाल सकती है; इन मोडों के जरिए बिखरे फोटॉन परमाणु स्पिनों के बीच अंतःक्रिया कराते हैं। न्यूरल-नेटवर्क की भाषा में परमाणु समूह न्यूरॉन हैं और कैविटी मोड सिनैप्स, यानी उनके बीच के जोड़। 324

यह व्यवस्था इसलिए अहम है क्योंकि फोटॉन-मध्यस्थ अंतःक्रियाएं केवल पड़ोसी नोडों तक सीमित नहीं रहतीं। वे प्रभावी रूप से सभी स्पिनों को एक-दूसरे से जोड़ सकती हैं और उनके चिह्न अलग-अलग हो सकते हैं। ऐसी परस्पर विरोधी कनेक्टिविटी को ही स्पिन ग्लास की frustration कहा जाता है। 29

मेमोरी पैटर्न नेटवर्क की कनेक्टिविटी में एन्कोड किए जा सकते हैं और प्रकाश के माध्यम से पढ़े जा सकते हैं। कैविटी के इनपुट और आउटपुट प्रकाश को देखकर शोधकर्ता जांच सकते हैं कि कोई आंशिक पैटर्न विकसित होकर संग्रहित पैटर्न तक पहुंचता है या नहीं। 2414

स्पिन ग्लास हॉपफील्ड मॉडल में समस्या क्यों बनता है

पारंपरिक हॉपफील्ड मॉडल में मेमोरी, सभी-सभी से जुड़े स्पिनों के नेटवर्क में उपयोगी स्थिर अवस्थाएं—अट्रैक्टर—होती हैं। लेकिन बहुत ज्यादा पैटर्न सहेजने पर अलग-अलग पैटर्न की शर्तें टकराने लगती हैं। ऊर्जा-परिदृश्य में अनचाहे या spurious न्यूनतम बिंदु बहुत अधिक बन जाते हैं; यह स्पिन-ग्लास अवस्था है। संतुलन (equilibrium) गतिकी में ये अतिरिक्त अवस्थाएं भरोसेमंद रिकॉल में बाधा डालती हैं। 28

16 स्पिनों के लिए प्रचलित ऊष्मागतिकीय हॉपफील्ड अनुमान लगभग (0.14N) है, जो करीब 3.6 संग्रहित पैटर्न के बराबर बैठता है। यह तुलना का एक सैद्धांतिक बेंचमार्क है; इसका अर्थ यह नहीं कि हर सीमित 16-नोड हॉपफील्ड सिस्टम ठीक 3.6 पैटर्न ही रिकॉल करेगा।

ग्लासी अवस्थाओं को उपयोगी मेमोरी में बदलना

लेव की टीम ने सिस्टम को संतुलन वाले हॉपफील्ड नेटवर्क की तरह नहीं चलाया। यह ड्रिवन-डिसिपेटिव प्रणाली है: बाहरी प्रकाश परमाणु-फोटॉन तंत्र में ऊर्जा पहुंचाता है, जबकि फोटॉन का बाहर निकलना और अन्य अपव्यय प्रक्रियाएं ऊर्जा हटाती रहती हैं। यह असंतुलन गतिकी तय करती है कि कौन-सी अवस्थाएं स्थिर और दोहराई जा सकने वाली होंगी।

प्रयोग का मुख्य नतीजा यह है कि जिन ग्लासी न्यूनतम अवस्थाओं को संतुलन रिकॉल में अवांछित माना जाता, वे इस ड्रिवन-डिसिपेटिव व्यवस्था में भरोसेमंद अट्रैक्टर बन सकती हैं। समूह ने 16-स्पिन नेटवर्क में हॉपफील्ड सीमा से सात गुना तक एसोसिएटिव-मेमोरी क्षमता रिपोर्ट की। 14

प्रयोग पर प्रकाशित रिपोर्टों के अनुसार, 16-स्पिन विन्यास में करीब 12 मेमोरी रिकॉल की गईं, जबकि हॉपफील्ड संदर्भ लगभग 3.6 पैटर्न का था। परमाणु ट्रैप ढीले करने पर क्षमता करीब 25 मेमोरी तक पहुंचने की सूचना दी गई। फिर भी, इसे बड़े AI सिस्टमों के लिए कोई सामान्य स्केलिंग नियम नहीं, बल्कि छोटे नेटवर्क पर प्रूफ-ऑफ-कॉन्सेप्ट माप के रूप में देखना चाहिए। 411

परमाणुओं की गति ने जोड़ी अस्थायी प्लास्टिसिटी

ये परमाणु-समूह गणितीय मॉडल के स्थिर स्पिन नहीं हैं। उनकी गति फोटॉन-मध्यस्थ स्पिन अंतःक्रियाओं से जुड़ी है। कोई विशेष स्पिन विन्यास परमाणु बादलों की गतिशील अवस्था बदल सकता है, और बदली हुई गति आगे चलकर नेटवर्क की कनेक्टिविटी को संशोधित कर सकती है।

शोधकर्ता इसे पोलारॉनिक “इलास्टिसिटी” कहते हैं। व्यावहारिक अर्थ में, सिनैप्टिक कनेक्शन गतिविधि पर निर्भर और समय के साथ बदलने वाले हो जाते हैं: नेटवर्क की हाल की अवस्थाएं अगले रिकॉल के व्यवहार को प्रभावित कर सकती हैं। टीम इसकी तुलना अल्पकालिक सिनैप्टिक प्लास्टिसिटी से करती है, न कि वेट्स के स्थायी प्रशिक्षण या सीखने से। 14

ट्रैप को ढीला करने से परमाणुओं को चलने की अधिक गुंजाइश मिलती है, और रिपोर्ट किए गए परिणामों में यह अधिक मेमोरी क्षमता से जुड़ा है। इसीलिए इस प्लेटफॉर्म में परमाणुओं की गति केवल हटाने योग्य प्रयोगात्मक शोर नहीं, बल्कि सक्रिय कम्प्यूटेशनल घटक हो सकती है। 411

यह उपलब्धि क्या दिखाती है—और क्या नहीं

यह काम सामूहिक, असंतुलित परमाणु-फोटॉन गतिकी पर आधारित एसोसिएटिव मेमोरी का प्रयोगात्मक रास्ता स्थापित करता है। साथ ही, यह ड्रिवन-डिसिपेटिव स्पिन-ग्लास नेटवर्क पर असाधारण स्तर का सूक्ष्म नियंत्रण और इमेजिंग देता है। समूह के संबंधित कार्य में कैविटी-QED स्पिन-ग्लास नेटवर्क में 25 प्रभावी स्पिनों तक का प्रदर्शन भी किया गया है। 2930

लेकिन यह GPU, पारंपरिक मेमोरी या कमरे के तापमान पर चलने वाले न्यूरल हार्डवेयर का तैयार विकल्प नहीं है। इस उपकरण के लिए अत्यंत ठंडी परमाणु गैसें, ऑप्टिकल ट्रैपिंग, सटीक लेज़र, उच्च निर्वात और स्थिर मल्टीमोड कैविटी चाहिए। ऊर्जा उपयोग का ईमानदार आकलन इन सभी सहायक ढांचों को शामिल किए बिना नहीं हो सकता; उपलब्ध साक्ष्य AI कंप्यूटिंग में कुल ऊर्जा लाभ साबित नहीं करते।

फिर भी दिशा महत्वपूर्ण है। यह संकेत देती है कि अनुकूलनीय कनेक्शन और असंतुलित सामूहिक गतिकी वाले भौतिक सिस्टम कुछ मेमोरी तथा ऑप्टिमाइजेशन कार्यों के लिए पारंपरिक डिजिटल तरीकों का विकल्प दे सकते हैं। समूह के प्रकाशन ड्रिवन-डिसिपेटिव स्पिन ग्लास और एंटैंगलमेंट जैसे क्वांटम प्रभावों पर आगे के काम की ओर भी इशारा करते हैं। क्या ये तत्व बड़े पैमाने पर कोई व्यावहारिक कम्प्यूटेशनल लाभ देंगे, यह अभी खुला प्रयोगात्मक प्रश्न है। 629